CTR预估问题广泛存在于互联网主流应用的方方面面，是计算广告，特别是在线视频广告领域的核心问题。它涉及到视频广告的投放、预测和很多的增值业务。

FreeWheel在此基础上，结合自身的业务特点，将计费模式抽象为X-event，将传统的CTR预估问题转化为xTR问题，并构建了一个强大的xTR预测系统，用于优化在线广告投放策略。

本文将详细介绍FreeWheel在构建一套广告领域xTR预测系统的全过程，以实例解答怎么解决在系统构建过程中遇到的机器学习问题，并总结了在实现xTR预测系统中的一些经验与教训。全文分四部分：首先是xTR问题的由来，然后介绍xTR系统架构，最后针对xTR的问题定义，介绍我们如何利用机器学习技术实现特征工程，以及模型训练与优化。

xTR问题的由来

在搜索广告领域，大多会采用点击计费（CPC）的方式进行流量变现，由此衍生出了CTR的预估问题。相对于搜索广告，视频广告的产品形态和计费方式都有着很大的不同。传统的视频广告大多会以CPM的方式来计费，也就是说会按照用户观看广告的次数来结算。

对于FreeWheel来说，广告订单分为合约广告与竞价广告两种，为适应不同客户不同的结算方式需求，从初始的按照CPM计费发展到在广告投放过程中按照不同事件发生次数方式计费，即CPx-event方式。因此，我们给出xTR定义：相对于CTR，我们将点击泛化为任意一种事件，既包括传统CPM中的Impression事件，也包括在广告投放过程中发生的任意一种事件，对这些事件发生概率进行估计，就是xTR（x-through rate）预估问题。

首先，CPx-event需要预先注册到整个系统之中。假设我们的客户可口可乐公司希望按照MOAT 50% In-View Measurable Impressions方式结算（MOAT是一家广告分析公司，提供的主要服务是追踪广告的真实触达，即网络广告是否真的会被用户看到）。50% In-View Measurable Impressions表示可口可乐广告至少50%部分被用户看到，才算一次有效触达。

CPx-event通过以下方式注册：

1．可口可乐公司希望按照MOAT提供的监控方式结算，首先他要到广告主管理系统中注册该事件。注册之后，会在数据库中写入这样一条数据，17是对应事件编号；

2．广告服务器每天会增量同步数据库信息，将可口可乐公司新的结算方式加载进来；

3．前端视频播放器与广告服务器建立第一次连接时，会将播放器类型等信息发送给广告服务器，广告服务器根据播放器类型等信息记录当前Context支持事件类型；

4．在视频播放过程中，广告服务器利用xTR模型估计某个广告17号事件发生概率，并且不断向用户投放广告。在投放某个广告期间，如果17号事件发生，播放器会向第三方分析公司发送事件Callback，经过分析，播放器再决定是否向FreeWheel的广告服务器发送事件Callback；

5．当视频播放结束，广告服务器统计所有行为并将广告投放日志存储到大数据平台。一方面与广告主结算，另一方面，xTR基于这些数据建模和离线训练结果决定是否更新线上CPx-event模型，新的线上模型会改进下一次广告投放策略。